技术正在改变企业的日常运作方式。各大公司都在关注具有成本效益的自动化流程，以此来提高产品质量，简化设备的维护。这种技术转变使制造商能够抛弃反应性维护，而采用预测性维护。
碰巧的是，这种转变也导致了整体设备效率（OEE）的显著提高。让我们来看看是怎么回事。
预测性维护对OEE的影响
预测性维护是一种主动维护，它使用数据和物联网技术来预测何时需要维护，它使用传感器来持续监测各种指标。它通过一套预先建立的预测算法来运行这些数据，以估计某项资产何时会出现故障。这使维护团队能够在故障发生之前安排维护工作，在此过程中缩短并最大限度地减少计划外的停机时间。
预测性维护使企业有可能消除不必要的故障或生产停顿。它确保了所有的生产设备在整个生产周期内都可以使用，极大的减少对生产计划的干扰。设备可用性的提高可以显著改善所有生产流程的整体设备效率（OEE）。
预测性维护计划的实施保证了生产设施内所有设备的性能都保持在最佳水平，从而减少了OEE方程式中的性能损失部分。
设备故障、对磨损、错位、缺陷或陈旧部件的依赖也被降至最低。这导致了最终产品的质量的提高。换句话说，由于机器问题造成的质量损失大大减少，缺陷的数量也降到了最低。
从反应性维护转变为预测性维护时应遵循的步骤
除了提高生产设施的OEE外，公司还应该通过实施预测性维护计划获得许多额外的好处。预测性维护大大的提高了设备的操作安全性和使用寿命，同时还提高了公司的盈利能力和客户满意度。
以下是关于如何从被动式维护过渡到预测式维护的概要介绍。
1. 建立一个实施战略
在从反应性项目过渡到预测性项目之前，必须制定一个合适的实施策略。在初始阶段，需要对所有生产设备进行严格的审计，以确定纳入预测性维护计划的设备，并确定其优先次序。优先考虑有频繁故障历史的设备、关键设备（那些24小时运行的设备），以及昂贵的更换和难以购入的设备。
在确定需要纳入试点项目的设备后，必须仔细研究以前的维护数据，以建立一个初步的预测模型，并对资产进行详细的故障模式和效果分析（Failure Mode and Effect Analysis - FMEA）。
在进行了详细的FMEA之后，会生成一份高优先级、高风险设备的清单。然后，通过设立里程碑、设计评估方法、创建OEE改进目标和定义数据采集方法，利用该清单来创建和完善试点计划。
2. 部署额外的基础设施
大量的数据必须被收集并输入到预测算法中，这样他们才能做出准确的预测。为了实现这一目标，必须在试验设备上安装几个状态监测传感器。这些传感器实时收集数据，并通过专用的物联网网络将信息传输到一个集中的数据库进行分析。它们可以用来测量各种不同的信号，从电流和振动到噪音和腐蚀程度。
基于这些和以前的维护数据，开发了一个合适的预测算法。先进的系统在这个阶段部署了人工智能和机器学习技术。该算法根据预设条件对提供的传感器数据进行反检查，一旦发现偏差就会产生警报。
为了方便机器和维护团队之间的沟通，需要一个简单明了的仪表盘。至关重要的是，所收集的数据应受到保护，以防止滥用或外部攻击，从而阻碍生产周期。
ProcessTrak解决方案已被开发出来，用于监测这些数据，并将其整合到我们的机器学习平台上进行预测性维护，并为你提供自动报告和警报。
3. 培训、测试和收集反馈
采用预测性维护方案意味着一些维护活动将发生重大变化。例如，某些人工记录被取消，新的维护技术、工具和程序被引入，以适应新的程序。
在测试试点项目的同时，所有维护人员必须接受关于新实施技术的充分培训。在这个窗口期，他们被告知其角色的变化，并培训如何驾驭新系统。
维护团队会让试点设备进行不同的生产计划，并监测其对变化的反应。随着预测算法被输入更多的数据，他们的预测将变得越来越准确。
在这个阶段，管理层会收到来自实施团队的反馈，以评估预测性维护程序的易用性及其对改善OEE的贡献。基于设备性能数据和个人反馈，公司可以制定一个强有力的响应程序来处理程序产生的警报。
4. 改进和扩大预测性维护项目的规模
企业需要时间来充分测试和验证预测性维护项目对其生产计划和产出的贡献。试点项目需要经历不同的操作场景，以提取大量的可操作数据。试点阶段为公司扩大或完善其预测性维护计划提供了宝贵的见解。
在测试阶段发现的差距，将通过完善基础设施或预测算法加以纠正。一旦所有问题都得到解决，公司就可以逐步全面实施该项目。该计划的扩展应分阶段执行，并避免对现有资源的过度限制。
预测性维护项目需要持续的终身升级，以保持其相关性和竞争力。这些升级对于提高数据安全性、增加数据采集和分析速度以及简化人机界面之间的沟通至关重要。
最后的思考
预测性维护项目是具有成本效益的长期解决方案，特别是当你考虑到它们能带来的OEE改善时。虽然预测性维护是一种有吸引力的策略，但在实施过程中应仔细考虑，以避免常见的错误。
过渡期需要充分的规划和战略执行，以防止生产损失。由于一些流程需要专家（第三方服务供应商或内部技术人员）的投入，可能会产生高额的初始投资成本。尽管有这些挑战，但是选择合适的预测性维护模式会将制造企业转化为更智能、更有利的系统。
ProcessTrak为制造商提供了监测过程值（压力、温度、湿度、重量、周期时间、原材料含量等）、环境变化和机器参数的能力。
它还允许通过人工智能将这些数据与其他TEEPTRAK工具（例如性能和质量）的数据联系起来。
该解决方案可以手动、模拟（4-20mA、0-10V、0-24V）或最终通过OPC UA协议检索这些数据。
从这些数据中，一个基于人工智能的算法将能够确定机器运行的最佳设置。
如果你想学习更多关于精益管理/精益生产/OEE解决方案，请关注我们的微信公众号: TEEPTRAK
姚工：189 4831 0588
微信：teeptrak-sz
ProcessTrak: Advanced machine performance analysis 进行高级机器性能分析
白皮书：关于OEE的一切
管理：不可过度信任也不过度监督
无纸化生产系统如何改变生产方式?
如何分析机器的运行和停止情况？
工厂实现数字化需要做的事情
监测OEE失败的7个主要原因
2个让5S很难坚持下去的原因
持续改善的5分钟晨会
如何使用帕累托图来减少你的浪费？